在此之前林灰照例回复了一下各方面的邮件。
邮件信息虽然很多，但基本都是来自各个猎头公司的招聘邮件。
换作是前段时间，林灰还会逐封点开看看自己在各个互联网巨头眼中值多少钱？
现在林灰基本看都不看了。
林灰实在是无语，这些猎头为什么要开出一堆连我的周纳税额都不到的年薪去招募我为你们工作？
还是说现在比较流行这种黑色幽默？
尤其是猪场的这个HR更是死脑筋。
林灰记得以前还明确回复过这个人的邮件表示了拒绝。
现在还一封一封的发邮件……
呃，就很无语。
不过这份敬业的精神确很值得称赞。
而且对于认真的人，林灰一向是欣赏的。
现在站的层面更高。
林灰欣赏的眼光和以往单纯的欣赏又有些不同。
现在林灰更多是一种爱才之心。
林灰记得这个发邮件的人好像是人力资源副总监。
能爬到这种位置，能力什么的肯定是有的。
这样的人才留在猪场是不是太埋没了？
反正林灰是没记得猪场干过什么正事？
连M国的认证名单都没上，说白了就是可有可无。
林灰在一堆猎头/HR发来的邮件里翻找了一会后。
发现鹅厂HR发来的邮件措辞还算不错。
于是将这个邮件改了一下称谓和具体待遇之后。
把这个招聘邮件给猪场的HR回了过去。
虽然是临时起意，但林灰并不是恶作剧。
至少林灰感觉他开出的薪水要比这些HR给他开出的薪水靠谱得多。
这种事情只是一个小插曲。
在这以后，在邮箱里一份来自异国的邮件引起林灰的注意。
点开邮件一看，发信人是伊芙·卡莉。
自称是麻省理工学院自然语言处理研究项目文本摘要小组的负责人。
似乎是怕林灰不相信，伊芙·卡莉还在邮件里附上了一堆能够佐证身份的证明。
其实林灰是记得伊芙·卡莉这个名字的。
林灰先前他购买的《文本判断甄别比较的一种新方法》那项专利原本的所有者就是伊芙·卡莉。
她发邮件是干什么？
莫非是反悔了不成。
(⊙﹏⊙)，不过还好在邮件里林灰并没有看到伊芙有提及要收回《文本判断甄别比较的一种新方法》那项专利。
伊芙在邮件里极力称赞了林灰在south wind(南风APP)中搞定的生成式文本摘要算法。
尽管伊芙·卡莉在话语里满满的全是敬意。
搞算法的人对于强者的尊敬似乎从来都是不掩饰的。
尽管算法在普通人的生活中似乎根本没充当什么角色。
但实际上这类算法是非常重要的。
某种程度上算法甚至可以说是应用的核心价值。
以前世某音海外版TIKT0K的出售为例来说。
寻求收购 TikT0k M/国业务的公司考虑了四种选择：
第一种选择是在没有算法的情况下收购TikT0k。
但要求加快出售速度，同时在应用中注入替代方案。
第二种选择是在长达一年的过渡期将算法慢慢过渡给M国。
第三种选择是寻求Z国的批准，将算法出售给选定的M国公司。
第四种选择是新买家向字/节取得使用 TikT0k算法的授权。
这四种收购之所以在描述上有区别是因为什么呢？
说到底还是因为算法。
M国在想方设法的获取某音的核心算法。
这些不同的方案之间差价甚至可能达到100亿美元之多。
由此观之，算法在特定的场合是非常有价值的。
林灰先前搞定的生成式文本摘要算法虽然没办法跟某音基于数据分析的个性化信息推送服务技术涉及到的算法相提并论。
但也有其独到的价值。
这玩意在懂行的人眼中则是一座充满着宝藏的宝库。
反正伊芙·卡莉字里行间都是充满着对林灰的赞美。
伊芙·卡莉很好奇林灰是怎么搞定南风APP里面文本摘要技术的。
呃，其实林灰再南风生成式文本摘要处理技术是怎么搞定的很简单。
只需要大概七八步就可以轻松做到南风APP里面的文本摘要处理技术：
1基于深度学习技术，设计合适的模型架构和训练策略。
2设计生成式自动文本摘要模型
3借助迁移学习的思想，提出了基于预训练模型的生成式自动文本摘要算法。
4通过无监督来完成内容表示以及权重计算
5……
……
步骤说起来简单。每一步来说对于这个时空的人都很难。
有的是思路上比较难想到这个方向。
有的是技术上单纯做不到。
而有的既是思路上想不到，又是技术上做不到。
就很悲催！
比如说步骤4里提到的无监督训练。
现在主流研究方向已经淡忘了无监督训练这个方向了。
在涉及到训练的时候更习惯监督训练。
而不是很侧重于无监督训练。
无监督训练对于这个时空的人来说似乎是一个很复古的研究方向。
在这个时空人的眼里。
无监督训练会带来训练结果发散的现象他们并不算很容易处理。
步骤3提及的预训练模型：
在自然语言处理中引入预训练模型。
按照正常的时间线则是16年左右出现的。
这项技术对于此时的NLP研究者来说是一种全新的概念。
而步骤1中的深度学习技术。
时下的人们虽然能想得到应用神经网络学习技术！
但却做不到深度学习，虽然深度学习和神经网路学习意思差不多。
这个时空神经网络的研究并不算特别深入。
14年虽然也有神经网络，但在神经网络学习的研究并没有往后几年那么深入。
虽然从12年开始这个时空的人们就知道神经网路学习时越深神经网络准确率越高。
但是知道也没什么太大的用途。
这个时空的神经网络多数只能深/入大概十层二十层这样。
深/入到就近五十层的时候就极限了。
而后世的神经网络深/入几百层上千次也是常有的事情。
一言以蔽之，这个时空的人们在神经网络学习方面还没办法做到那么深。
而没法做到那么深，在准确度上就要很容易打折扣。
尽管这里面的门路林灰都很清楚。
但时机不成熟的情况下这些东西暂时就不足为外人道了。
